某物流网站后台源码,哪些网站可以做任务,网络营销工具有哪些?,深圳三玉网站建设数据准备
我们首先需要加载波士顿房价数据集。该数据集包含房屋特征信息和对应的房价标签。
import pandas as pd
import numpy as npdata_url http://lib.stat.cmu.edu/datasets/boston
raw_df pd.read_csv(data_url, sep\s, skiprows22, headerN…数据准备
我们首先需要加载波士顿房价数据集。该数据集包含房屋特征信息和对应的房价标签。
import pandas as pd
import numpy as npdata_url http://lib.stat.cmu.edu/datasets/boston
raw_df pd.read_csv(data_url, sep\s, skiprows22, headerNone)
data np.hstack([raw_df.values[::2, :], raw_df.values[1::2, :2]])
target raw_df.values[1::2, 2]print(数据集大小{}.format(data.shape))
print(标签大小{}.format(target.shape))数据划分
接下来我们将数据集划分为训练集和测试集。
from sklearn.model_selection import train_test_splitX_train, X_test, y_train, y_test train_test_split(data, target, random_state8)正规方程方法
正规方程是线性回归问题的闭式解它直接计算参数的最优解而无需迭代。我们使用 LinearRegression 类来训练模型并输出训练集和测试集上的得分、参数和截距。
from sklearn.linear_model import LinearRegressionlr LinearRegression()
lr.fit(X_train, y_train)print(正规方程训练集得分{:.3f}.format(lr.score(X_train, y_train)))
print(正规方程测试集得分{:.3f}.format(lr.score(X_test, y_test)))
print(正规方程参数{}.format(lr.coef_))
print(正规方程截距{:.3f}.format(lr.intercept_))模型评估
我们使用均方误差和均方根误差来评估模型的性能。
from sklearn.metrics import mean_squared_errory_pred lr.predict(X_test)print(正规方程均方误差{:.3f}.format(mean_squared_error(y_test, y_pred)))
print(正规方程均方根误差{:.3f}.format(np.sqrt(mean_squared_error(y_test, y_pred))))可视化
最后我们将真实值和预测值进行可视化比较以便更直观地了解模型的拟合效果。
import matplotlib.pyplot as pltplt.figure(figsize(10, 6))
plt.plot(range(len(y_test)), y_test, r, labely_test)
plt.plot(range(len(y_pred)), y_pred, g--, labely_pred)
plt.legend()
plt.show()
